一种融合区域生长与图论的图像分割方法

该文提出一种融合区域生长与图论的图像分割方法,一般的基于区域的分割方法在区域生长完成之后需要进行区域的合并,以消除过分割现象。该文的方法在区域生长完成之后,用NormalizedCut方法在区域之间进行分割,产生最终所分割的图像。在方法上区域生长方法考虑的是图像的局部信息,NormalizedCut方法考虑的是图像的全局信息,该文的方法融合了两者的优点。该文的算法主要以灰度图像为研究对象,实验结果表明可以取得很好的分割效果。     

基于多分辨率的分水岭图像分割算法

针对分水岭分割算法的2个缺陷：耗时较长和过分割问题，该算法在低分辨率图像上进行分水岭分割，提高了分割的速度；由低分辨率图像返回到高分辨率图像时，采用了一种基于边缘信息的合并函数，避免了边缘信息的丢失，保证了分割的准确性。该文设计了一种基于梯度图像的噪声抑制方法，可抑制高斯噪声对梯度图像的影响，有效避免了过分割问题。实验结果证明，该算法兼顾了效率和分割的准确性。     

图像分割复杂性测度研究

基于内容的图像处理与分析技术,其基本前提是确定图像中包含的内容,即具有语义的内容对象。图像分割技术是实现图像内容对象检测的基本方法。对图像分割中的必要性问题进行了相关研究,针对大部分图像分割算法因所分割的图像不具有语义信息而导致图像分割出现无意义情况的现状,提出了一种图像分割复杂性的定义。基于该定义,给出了其实现方法。通过系统的实验结果表明,所提出的新的图像分割复杂性指标可以很好地适应图像目标区域大小,是衡量图像分割必要性的一种合理有效的方法,且能够成为一种重要的图像分割判断指标。     

基于多分辨率分割的区域图像融合

图像融合是一项综合同一场景的多幅源图像信息的技术.现有的区域图像融合方法或者是只对最高层低频带分割并以此分割信息来指导所有层的融合,或者是其多分辨率分割方法过于复杂难以满足实时性.鉴于此,该文发展了一种基于多分辨率分割的区域图像融合方法.它的主要特点是多分辨率分割.其步骤为:首先对源图像进行小波变换的多分辨率分解,然后对分解后每一层的低频图像都进行区域分割,最后用每一层分割得到的区域信息来分别指导每一层的融合.仿真表明该文发展的基于多分辨率分割的区域图像融合方法的融合性能要优于传统的基于窗口的图像融合方法和只对最高层低频带分割的区域图像融合方法.     

基于分形的彩色岩石裂隙分割

纹理分割是图像处理与计算机视觉领域研究的重点和难点.现有的纹理分割方法大多集中于研究灰度纹理图像,该文提出了一种基于分形纹理特征和颜色信息结合的彩色纹理分割算法.该算法将复杂的彩色图像分形维数计算转化为单色图像分形维数的计算,将纹理特征和颜色信息相结合,采用区域生长法来实现分割.通过对彩色岩石裂隙图像的分割实验,结果证实该该方法行之有效.     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声，传统方法不能很好地对SAR图像进行分割，该文结合SAR图像和小波变换多分辨分析的特点，提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息，然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波，最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明，该方法是一种有效的SAR图像分割方法。     

基于信息瓶颈算法的图像分割

图像分割是图像信息处理的内容之一。分割方法有很多,其中较为典型的是模糊C均值(FCM)算法,但它存在一些缺陷。该文提出一种基于信息瓶颈的图像分割方法,用凝聚的信息瓶颈算法对图像像素进行聚类。在分割过程中,使用贝叶斯信息准则确定图像区域的类别数。对一个包含500幅图像的图像库进行实验,结果表明该方法具有很好的分割效果。     

一种灰度级抽取的图像分割方法研究

阈值分割方法依据图像直方图分析,利用最优化法则进行最优阈值选取,完成图像分割,这类方法将直方图最优分析等价于图像最优分割.但是,直方图提供的是图像灰度级统计信息而无空间关系信息,则闽值分割可能会导致分割失败,所以有必要进行灰度级空间信息的考察以完成图像分割任务.提出一种灰度级抽取分割方法,首先利用层次聚类方法对各灰度级像素进行空间远邻考察,并给出一种类别数与类间距关系确定最优类别数的方法,然后对近邻灰度级进行抽取并组合,最终形成分割结果.本文对该方法与若干阈值分割方法进行了对比验证,实验表明,所提方法在图像分割方面具有优势,能够得到较为满意分割结果.     

基于改进型脉冲耦合神经网络的图像二值分割

图象二值分割在图像分析和模式识别中是一项最基本也是最重要的预处理 ,它处理的好坏将直接影响后续的分析和处理效果。如何更有效、适应性更强地实现图像二值化 ,一直是困扰人们的一个难题。该文提出了一种新的图像二值分割方法———基于脉冲耦合神经网络的图像二值分割。它利用脉冲耦合神经网络的特性 ,实现图像的二值化。与传统图像二值化方法相比 ,它完全是一种与图像自适应的二值分割 ,易于软件和硬件的实现。对于含有丰富细节或低对比度的图像二值分割 ,该方法的优越性更为突出。实验结果表明了该方法的有效性。     

三维图像多相分割的变分水平集方法

变分水平集方法是图像分割等领域出现的新的建模方法,借助多个水平集函数可有效地实现图像多相分割.但在区域/相的通用表达、不同区域内图像模型的表达、通用的能量函的设计、高维图像分割中的拓展研究等方面仍是图像处理的变分方法、水平集方法、偏微分方程方法等研究的热点问题.文中以三维图像为研究对象,系统地建立了一种新的三维图像多相分割的变分水平集方法.该方法用n-1个水平集函数划分n个区域,并基于Heaviside函数设汁出区域划分的通用的特征函数;其能量泛函包括通用的区域模型、边缘检测模型和水平集函数为符号距离函数的约束项3部分;最后,针对所得到的曲面演化方程,采用半隐式差分格式进行离散,并对多种类型三维图像进行分割验证了所提出模型的通用性和有效性.     

地物提取的多尺度特征遥感应用分析

通过空间尺度效应分析,阐述不同属性景观地物在同一分辨率或同一尺度影像中提取的不合理性。为获得精确的地表信息,提出多尺度遥感影像分析方法,解决不同地物在不同空间尺度影像数据中提取的难题。通过多种分辨率影像的多尺度影像信息提取的应用实践,分析地物提取中的多尺度特性、尺度与分辨率关系等。     

基于数学形态学的微阵列芯片荧光图像处理与分析

微阵列芯片技术由于其高通量分析的特点被广泛应用在生命科学领域,图像处理与分析是微阵列芯片技术中的一个重要环节.文中主要研究了基于数学形态学的微阵列芯片图像处理及数据提取方法,该方法采用形态学重构对图像投影产生的一维信号进行处理,进而完成对图像样点阵列的网格划分,运用自适应阈值分割算法对每个网格内的样点进行了图像分割,运用前景和背景校正的方法对样点的光密度值进行提取.结果显示,该算法具有简单、快速、易于实现,对样点形状没有限制而且精确度高等特点.     

Robust adaptive spot segmentation of DNA microarray images

The rapid advancement of DNA chip (microarray) technology has revolutionalized genetic research in bioscience. However, the enormous amount of data produced from a microarray image makes automatic computer analysis indispensable. An important first step in analyzing microarray image is the accurate determination of the DNA spots in the image. We report here a novel spot segmentation method for DNA microarray images. The algorithm makes use of adaptive thresholding and statistical intensity modeling to: (i) generate the grid structure automatically, where each subregion in the grid contains only one spot, and (ii) to segment the spot, if any, within each subregion. The algorithm is fully automatic, robust, and can aid in the high throughput computer analysis of microarray data.     

Robust segmentation and analysis of DNA microarray spots using an adaptative split and merge algorithm

Microarray images push to their limits classical analysis methods, since gene spots are often poorly contrasted, ill defined and of irregular shapes. These characteristics hinder a robust quantification of corresponding values for red and green intensities as well as their R/G ratio. New approaches are thus needed to ensure accurate data extraction from these images. Herein we present an automatic non-supervised algorithm for a fast and accurate spot data extraction from DNA microarrays. The method is based on a split and merge algorithm, relying on a Delaunay triangulation process, allowing an incremental partition of the image into homogeneous polygons. Geometric properties of triangles as well as homogeneity criteria are defined according to the specificities of microarray image signals. The method is first assessed on simulated data, and then compared with GenePix and Jaguar Softwares. Results in segmentation and quantification are superior to those obtained from a number of standard techniques for spot extraction.     

Efficient foreground extraction using RGB-D imaging

Image segmentation is one of the most important topics in the field of computer vision. As a result, many image segmentation approaches have been proposed, and interactive methods based on energy minimization such as GrabCut, have shown successful results. Automating the entire segmentation process is, however, very difficult because virtually all interactive methods require a considerable amount of user interaction. We believe that if additional information is provided to users in order to guide them effectively, the amount of interaction required can be reduced. Consequently, in this paper we propose an efficient foreground extraction algorithm, which utilizes depth information from RGB-D sensors such as Microsoft Kinect and offers users guidance in the foreground extraction process. Our approach can be applied as a pre-processing step for interactive and energy-minimization-based segmentation approaches. Our proposed method is able to segment the foreground from images and give hints that reduce interaction with users. In our method, we make use of the characteristics of depth information captured by RGB-D sensors and describe them using information from the structure tensor. Further, we show experimentally that our proposed method separates foreground from background sufficiently well for real world images.     

基于影像融合和面向对象技术的植被信息提取研究

高分辨率影像具有丰富的光谱信息和空间信息。采用不同的图像融合技术融合GeoEye影像全色波段和多光谱波段,用建立的参考多边形和对应多边形残差法评价分割质量,以确定研究区各地物类型的最优分割参数组合,选择目标地物分类特征,建立分类规则,在此基础上实现研究区内不同地物类型的面向对象信息提取。结果表明:Gram-Schmidt(GS)融合法具有最优的融合效果,所选特征能够很好地实现目标地物信息提取,并且具有明确的地学意义,面向对象信息提取总体精度达到90.3%,Kappa系数为0.86,该研究为高精度植被信息的提取提供了有效的方法。     

Gene selection using independent variable group analysis for tumor classification

Microarrays are capable of detecting the expression levels of thousands of genes simultaneously. So, gene expression data from DNA microarray are characterized by many measured variables (genes) on only a few samples. One important application of gene expression data is to classify the samples. In statistical terms, the very large number of predictors or variables compared to small number of samples makes most of classical “class prediction” methods unemployable. Generally, this problem can be avoided by selecting only the relevant features or extracting new features containing the maximal information about the class label from the original data. In this paper, a new method for gene selection based on independent variable group analysis is proposed. In this method, we first used t-statistics method to select a part of genes from the original data. Then, we selected the key genes from the selected genes for tumor classification using IVGA. Finally, we used SVM to classify tumors based on the key genes selected using IVGA. To validate the efficiency, the proposed method is applied to classify three different DNA microarray data sets. The prediction results show that our method is efficient and feasible.     

汽车图象分割与车牌定位算法的研究

对智能车牌识别系统中经典的图象分割和定位算法分析以后,找出其存在的不足,在此基础上提出了纯背景位图相减和间隔采样投影汽车图象分割的改进方案,并设计了一种新的定位车牌的算法,从而提高图象处理的速度及定位的准确度,降级噪声信息对分割图象的干扰,提高了图象分割及定位的效果.     

A learning-based colour image segmentation with extended and compact structural tensor feature representation

In this paper a novel Tensor-Based Image Segmentation Algorithm (TBISA) is presented, which is dedicated for segmentation of colour images. A purpose of TBISA is to distinguish specific objects based on their characteristics, i.e. shape, colour, texture, or a mixture of these features. All of those information are available in colour channel data. Nonetheless, performing image analysis on the pixel level using RGB values, does not allow to access information on texture which is hidden in relation between neighbouring pixels. Therefore, to take full advantage of all available information, we propose to incorporate the Structural Tensors as a feature extraction method. It forms enriched feature set which, apart from colour and intensity, conveys also information of texture. This set is next processed by different classification algorithms for image segmentation. Quality of TBISA is evaluated in a series of experiments carried on benchmark images. Obtained results prove that the proposed method allows accurate and fast image segmentation.     

DNA微阵列图象信息的自动提取

微阵列图象分析是分子生物学中DNA微阵列杂交实验数据测定过程的一个重要部分。其目的是将微阵列图象中大量象素灰度信息简化为微阵列靶点的信号值。该文介绍了一种对DNA微阵列图象信息进行自动提取的方法,使用此方法完全不需要人为操作,可避免操作者主观性对实验的影响,提高数据提取的效率和可重复性。其关键步骤包括:图象滤波,图象灰度信息提取,微阵列间距确定,靶点定位和靶点信号值计算。实验结果表明使用此算法提取DNA微阵列图象信息具有重复性好、效率高和分析准确的特点。